神经网络化的网络劫持
人工智能
2026-04-21 v1 机器学习
摘要
网络劫持问题是由两个玩家组成的组合优化问题：一个旨't在网络上求解优化问题，另一个则试图修改网络以挫败第一个玩家的目标。此类问题通常出现在攻击者-防御者情境中，涵盖军事行动、疾病传播分析和通信网络管理等领域。网络劫持的主要瓶颈在于使用传统精确求解器的高时间复杂度，以及制定有效启发式求解器的挑战。图神经网络（GNN）作为一种前沿方法，已在解决图上的单层组合优化问题（如旅行商问题、图匹配和图编辑距离）方面显示出显著效果。然而，网络劫持面临双层优化挑战，当前的 GNN 难以应对。为解决这一问题，我们将网络劫持问题表示为混合整数线性规划（MILP）实例，然后应用具备足够表示能力的多部分图神经网络来学习这些公式。这种方法确保我们的神经网络更符合旨解决网络劫持问题的数学算法，从而实现更好的泛化。通过两个不同任务，我们展示了我们的方法优于理论基线模型，并在传统精确求解器方面提供优势。
引用
@article{arxiv.2405.16409,
title = {Network Interdiction Goes Neural},
author = {Lei Zhang and Zhiqian Chen and Chang-Tien Lu and Liang Zhao},
journal= {arXiv preprint arXiv:2405.16409},
year = {2026}
}